MTL 是机器学习中一个很有前景的领域，其目标是利用多个学习任务中所包含的有用信息来帮助为每个任务学习得到更为准确的学习器。我们假设所有任务（至少其中一部分任务）是相关的，在此基础上，我们在实验和理论上都发现，联合学习多个任务能比单独学习它们得到更好的性能。
近几年工业界/学术界有关多任务学习的研究和成功实践层出不穷：比如推荐系统里的谷歌的MMOE，SNR，MOSE，Youtube排序模型，阿里的ESSM，腾讯最新的PLE；NLP里微软的MT-DNN，以及最近hotpotQA榜单上的IRRR模型。
本页资源整理了计算机视觉领域多任务学习相关的综述性论文、经典的数据集、多任务模型架构、神经网络结构搜索、参数优化相关的资源，分享给大家。
资源整理自网络，源地址：https://github.com/SimonVandenhende/Awesome-Multi-Task-Learning
内容涉及多次跳转，点击文末“阅读原文“”查看资源详情。
目录
内容截图
